0
点赞
收藏
分享

微信扫一扫

深度学习之常用模型评估指标(二)—— 回归问题

深度学习入门小菜鸟,希望像做笔记记录自己学的东西,也希望能帮助到同样入门的人,更希望大佬们帮忙纠错啦~侵权立删。

目录

一、SSE(误差平方和)

二、MSE(均方误差)

三、RMSE(均方根误差)

四、MAE (平均绝对误差)

五、MAPE(平均绝对百分比误差)

六、R Squared (R方/可决系数)


一、SSE(误差平方和)

🌳公式

🌳SSE越小,误差越小,模型越好

🌳缺点

随着样本增加,SSE必然增加

不同的数据集的情况下,SSE间的比较没有意义


二、MSE(均方误差)

🌳公式

🌳拟合数据和原始数据对应样本点误差的平方和的均值,值越小说明拟合效果越好


三、RMSE(均方根误差)

🌳公式

🌳在MSE的基础上再开方,值越小说明拟合效果越好


四、MAE (平均绝对误差)

🌳公式

🌳模型预测值 f(x) 与样本真实值 y 之间距离的平均值

🌳MAE 相比 MSE 的优点: MAE 对离群点不那么敏感,更有包容性。因为 MAE 计算的是误差 y-f(x) 的绝对值,无论是 y-f(x)>1 还是 y-f(x)<1,没有平方项的作用(不会变得更大或更小),惩罚力度都是一样的。


五、MAPE(平均绝对百分比误差)

🌳公式

🌳注:当真实值(yi)有数据等于0时(分母0除问题),该公式不可用

🌳值越小越好,超过100%是劣质模型


六、R Squared (R方/可决系数)

🌳公式

🌳分子为预测数据和原始数据的误差,分母理解为原始数据的离散程度,二者相除可以消除原始数据离散程度的影响

🌳越靠近1,表明这个模型对数据拟合更好
越靠近0,表明模型拟合越差


欢迎大家在评论区批评指正,谢谢大家~

举报

相关推荐

0 条评论